Cinco hábitos de prompting que Anthropic y OpenAI incluyen en su propia documentación
Los dos laboratorios escriben para modelos diferentes y audiencias diferentes, y sus guías publicadas terminan siempre en los mismos cinco movimientos. Ninguno de ellos es una palabra mágica. Los cinco se refieren a eliminar la ambigüedad.
Respuesta rápida
¿Qué recomiendan realmente Anthropic y OpenAI para escribir mejores indicaciones?
Ambos laboratorios publican el mismo consejo principal: escribe la instrucción como una orden en lugar de una pregunta, da al modelo permiso explícito para decir que no sabe, pon el contexto antes de la pregunta, mantén una tarea por prompt y dile al modelo cuán proactivo debe ser. El hilo común es que cada uno de ellos elimina la ambigüedad; ninguno de ellos es una frase que pegas para desbloquear una calidad oculta.
Claves
- Los modelos más recientes siguen las instrucciones literalmente. Una pregunta te da una respuesta sobre el trabajo. Una orden te da el trabajo.
- Decirle a un modelo que puede responder «No lo sé» reduce mediblemente la invención confiada; Anthropic lo documenta como una solución de primera línea.
- Contexto primero, pregunta al final. Ambas guías ponen el material por encima de la pregunta, no por debajo.
- Una indicación, una tarea. Dividir ya no es una solución para los límites de contexto; es una técnica de calidad por derecho propio.
- OpenAI expone la proactividad como una configuración (esfuerzo de razonamiento, afán de agencia). Si no la configuras, estás aceptando un valor predeterminado que puede no coincidir con tu tarea.
La mayoría de los consejos de "prompting" que circulan en línea son folclore: una frase que alguien pegó una vez, obtuvo una buena respuesta y la transmitió. Los dos laboratorios que construyen los modelos que la mayoría de la gente usa publican su propia guía, y no se parece en nada a eso. Es poco glamorosa, es específica y, escrita para diferentes modelos, diferentes años, diferentes audiencias, llega a las mismas pocas acciones.
Aquí hay cinco que aparecen en ambas, con la razón por la que cada una funciona.
1. Escribe la instrucción como una orden, no como una pregunta
"¿Puedes sugerir cambios en esta función?" y "Cambia esta función para que maneje una lista vacía" no son la misma solicitud. La primera pregunta si las sugerencias son posibles; un lector literal responde a esa pregunta y se detiene. La segunda pide el trabajo.
La guía de Anthropic es explícita en que los modelos Claude actuales toman las instrucciones literalmente y hacen lo que se les pide y no más. El manual de OpenAI señala lo mismo desde la otra dirección: trata la ambigüedad como un defecto y le dice al modelo, cuando una solicitud no está clara, que exprese su mejor interpretación y proceda en lugar de detenerse.
El patrón: nombra el verbo, nombra el objeto, nombra el límite.
2. Da permiso explícito para decir "No lo sé"
Esta es la solución de fiabilidad más barata disponible y casi nadie la usa.
Un modelo presionado a responder con confianza sobre algo de lo que no tiene información a veces llenará el vacío. La documentación de Anthropic aborda esto directamente: añadir permiso explícito para reconocer la incertidumbre lo previene. Una frase en tu "prompt" — si no tienes suficiente información, dilo en lugar de adivinar — cambia el resultado, porque has eliminado la instrucción implícita de que una respuesta es obligatoria.
Vale la pena añadirlo a cualquier "prompt" donde una respuesta incorrecta cueste más que ninguna respuesta: cualquier cosa que involucre cifras, citas, detalles legales o médicos, o una afirmación que planees repetir a otra persona.
3. Pon el contexto antes de la pregunta, no después
Ambas guías ordenan el "prompt" de la misma manera: material primero, instrucción al final.
El enfoque práctico de Anthropic es que las entradas largas deben estructurarse claramente, con el detalle crítico al principio o al final en lugar de enterrado en el medio. Los modelos más nuevos manejan el contexto largo mucho mejor que la generación que produjo la investigación original de "perdido en el medio", pero el hábito de orden no cuesta nada y sigue ayudando — y hace que tu propio "prompt" sea más fácil de editar, porque la pregunta se mantiene en un solo lugar al final en lugar de estar oculta tres párrafos dentro de un muro de texto pegado.
4. Un "prompt", una tarea
La tentación con una gran ventana de contexto es cargar todo y pedir seis cosas a la vez. Ambas guías se oponen.
La versión de Anthropic del argumento es la más interesante, porque separa explícitamente la razón de la antigua limitación: dividir un trabajo grande en trozos más pequeños vale la pena hacerlo no por los límites de contexto, sino porque una tarea enfocada con límites claros produce una mayor calidad que un "prompt" que persigue varios objetivos a la vez. Eso reformula la división de una solución alternativa a una técnica — sigue siendo útil sin importar cuán grandes se vuelvan las ventanas.
Si quieres el resumen, la lista de riesgos y el borrador del correo electrónico, eso son tres "prompts". También podrás decir cuál salió mal.
5. Decide cuán proactivo debe ser el modelo
Este es el hábito sobre el que la mayoría de la gente nunca ha tomado una decisión, porque es invisible hasta que lo buscas.
La guía GPT-5 de OpenAI dedica una sección a calibrar la "ansia agéntica" — hasta dónde llega el modelo por sí solo antes de volver a consultar — y señala que reducir el esfuerzo de razonamiento limita el alcance de ese comportamiento, cortando llamadas a herramientas tangenciales y latencia. El valor predeterminado es la recopilación exhaustiva de contexto, que es correcta para una investigación abierta y incorrecta para una edición pequeña y bien especificada.
Así que decide, por tarea, cuál estás ejecutando. Un cambio bien definido quiere una correa apretada y una configuración de bajo esfuerzo. Una investigación vaga quiere lo contrario. Aceptar el valor predeterminado en silencio significa que la mitad de tus tareas obtienen la postura incorrecta.
El patrón subyacente
Lee las cinco juntas y son una instrucción con cinco sombreros: di lo que realmente quieres.
Comando en lugar de pregunta elimina la ambigüedad sobre si quieres que se haga el trabajo. El permiso para rechazar elimina el requisito implícito de producir algo. El contexto primero elimina la ambigüedad sobre para qué es el material. Una tarea elimina la ambigüedad sobre qué objetivo prevalece. Establecer la proactividad elimina la ambigüedad sobre hasta dónde ir solo.
Por eso el consejo converge en dos laboratorios y varias generaciones de modelos. Los modelos siguen cambiando. La cosa que se está arreglando — una solicitud insuficientemente especificada — no lo hace.
Verifica la fecha. Ambos proveedores revisan estos documentos a medida que se lanzan los modelos. Los enlaces bajo Fuentes son las versiones primarias; si estás leyendo esto meses después, léelos a ellos en lugar de a nosotros.
Preguntas frecuentes
- ¿Mejoran los resultados las frases corteses, las ofertas de propinas o las amenazas?
- Nada en la guía publicada actualmente de ninguno de los laboratorios los recomienda. Ambas guías se basan en la especificidad, la estructura y las restricciones explícitas. Trate las «frases mágicas» pegadas como folclore hasta que un documento del proveedor las respalde.
- ¿Es un prompt más largo un mejor prompt?
- No. La guía de Anthropic es empezar de forma sencilla y añadir estructura solo cuando una prueba demuestre que ayuda. La longitud que no elimina una ambigüedad es solo coste y latencia.
- ¿Esto se aplica a las aplicaciones de chat o solo a las API?
- Los primeros cuatro hábitos tienen que ver con cómo escribes, por lo que se aplican en cualquier lugar. El quinto es en parte una configuración: el esfuerzo de razonamiento se expone en las API y en algunas superficies de aplicaciones, así que verifica lo que tu interfaz realmente ofrece.
- ¿Por qué convergen los dos laboratorios si los modelos son diferentes?
- Porque el fallo que ambos están arreglando es el mismo: que el modelo adivine lo que querías decir. Diferente entrenamiento, misma solicitud infraespecificada.